CN101616180B - 一种服务组合中基于阈值的动态成员服务选择方法 - Google Patents

Abstract

本发明一种服务组合中基于阈值的动态成员服务选择方法，利用蚁群***对于基于阈值的动态成员服务进行选择，包括：代表成员服务和组合服务的信任程度、代表成员服务和组合服务执行一次所使用的响应时间、以及代表成员服务和组合服务执行一次的费用；通过模型建立和成员服务选择，利用信息素局部或全部更迭，信任感知的成员服务选择问题转换为在组合服务中寻找一条最优路径；利用蚁群***提出了基于阈值的动态成员服务选择方法，其关键特征在于基于提供服务的上限阈值的状态转移规则，确保组合服务能够提供高质量服务的同时，又不会在执行过程中集中在少量成员服务上，具有较好的寻优效果。

Description

一种服务组合中基于阈值的动态成员服务选择方法

技术领域：

本发明涉及服务计算领域，针对的是服务组合中的成员服务选择***。

背景技术：

服务(Web服务或者网格服务)组合研究如何把服务组合成为一个更大粒度的服务，以供进一步的组合或者直接供上层应用和用户使用。在Web或者网格中存在大量的功能特性相同，非功能特性各异的服务，这样的一类服务称为服务本体。为提高服务组合的适应性，在定义组合服务时并不是直接绑定到具体服务，而是指明一个服务本体；在组合服务执行时，由服务组合的执行部件(如网格服务组合执行引擎)实现由服务本体到具体服务的绑定。在服务组合执行部件实现从服务本体到具体服务的绑定时，需要一种实现调度和绑定的依据，这种依据只能来自服务的信任度、服务质量等非功能特性。目前，国内外有关成员服务选择的大多数技术方案都是基于服务质量作为成员服务选择的依据。

在实际的应用中，服务组合技术是跨组织业务集成(如电子商务、电子政务)的关键技术。对于电子商务的虚拟市场应用模式，虚拟市场提供面向最终用户的电子商务应用，以组合服务的形式提供；一个组合服务聚合多个厂家提供的成员服务(如预定机票服务、预定宾馆服务)。用户总是希望在自己的一次交易过程中，虚拟市场的组合服务能够选择优质的成员服务(如信任度高、响应时间低、花费小)，但是当所有的交易过程都集中在优质的成员服务时，成员服务提供的服务质量可能发生变化，成员服务可能限制提供服务的数量(如宾馆提供固定数量的预定房间，超过则拒绝服务，即存在提供服务的上限阈值)。针对此应用场景，需要设计一种组合服务中动态的成员服务选择方法，确保组合服务能够提供高质量服务的同时，又不会在执行过程中集中在少量成员服务上。

发明内容：

本发明的目的在于，通过提供一种服务组合中基于阈值的动态成员服务选择方法，把信任度引入到服务组合中成员服务选择中，作为成员服务选择的依据，利用蚁群***提出了基于阈值的动态成员服务选择方法，确保组合服务能够提供高质量服务的同时，又不会在执行过程中集中在少量成员服务上。

本发明是采用以下技术手段实现的：

(1)信任度：代表成员服务和组合服务的信任程度，对于成员服务来说，信任度采用执行成功率来计算；对于组合服务来说，信任度采用基于结构分析的方法计算。一般情况下，信任度越高，表示服务越优质。

(2)响应时间：代表成员服务和组合服务执行一次所花费的时间，对于成员服务来说，响应时间采用执行结束时间和执行开始时间的差值来计算；对于组合服务来说，响应时间采用基于结构分析的方法计算。一般情况下，响应时间越小，表示服务越优质。

(3)花费：代表成员服务和组合服务执行一次的费用，对于成员服务来说，花费由服务提供者制定；对于组合服务来说，花费采用基于结构分析的方法计算。一般情况下，花费越小，表示服务越优质。

在Web服务和网格计算的应用场景中，组合服务的执行代价主要取决于其成员服务的执行代价，故组合服务的信任度和服务质量决定于其所包含多个成员服务的信任度和服务质量这个假设是合理的。

通过信任度的估算算法和费用、响应时间的估算算法可以得出组合服务的信任度、费用、响应时间与成员服务本体的信任度、费用、响应时间之间的函数关系分别为f(tr₁，...，tr_i，...，tr_n)、g(c₁，...，c_i，...，c_n)和

(ti₁，...，ti_i，...，ti_n)(假定组合服务包含n个成员服务本体)，其中tr_i为第i个成员服务的信任度指标值，c_i为第i个成员服务的费用指标值，ti_i为第i个成员服务的响应时间指标值。其中信任度为正效应参数，而费用和响应时间为负效应参数，并分别满足一定的约束，如f＞Tr，g＜C，

其中Tr，C，Ti分别为信任度、费用和响应时间的常数。由此可以得出服务组合选择问题的数学模型为以下优化问题：

目标：

限制条件：

本发明的技术方案如图1所示。该方案以用户对于组合服务的请求作为输入，计算机在接收到请求以后开始执行，在执行过程中完成组合服务中成员服务的选择过程。其方法步骤为：首先，组合服务实例管理管理器创建并管理组合服务实例；然后组合服务实例按照组合服务的定义开始执行；在执行开始阶段，调用成员服务选择器按照选择问题的数学模型，并选择合适的成员服务；选择完毕以后，在组合服务实例的执行过程中调用外界成员服务。本发明的特征在于成员服务选择器选择成员服务的方法和过程，其关键特征在于基于提供服务的上限阈值的状态转移规则。其方法步骤如下：

1、选择问题的模型建立；

图2所示的组合服务中每一个具体服务都隶属于某一个服务本体。不失一般性，为叙述方便，假定每一个服务本体包含了10个具体服务，即图2中包含了20个服务本体和200个具体服务，对200个具体服务进行了编号，如服务本体0的10个具体服务的编号为{0-9}，而服务本体15的10个具体服务的编号为{150-159}，图中方块表示具体服务。

组合服务在执行时状态转移发生在具体服务之间，而不是服务本体之间，但是具体服务之间的状态转移需要服从服务本体之间的执行约束。从起始具体服务，经历一系列中间具体服务，最终达到终止具体服务，称为一条执行路径，0→100→110→50→60→70→80就是一条执行路径，如图2中粗虚线所示。

信任感知的成员服务选择问题转换为在组合服务的有向图表示中寻找一条最优路径的问题。但是如果所有组合服务的执行都经过同一条执行路径，会导致路径中各个具体服务的服务质量下降，本发明解决如何把对组合服务的请求动态规划到一系列的路径中，既达到优化的目的，又避免优化路径的拥塞。

2、成员服务选择方法。

成员服务选择方法的具体步骤如下：

(1)参数初始化：设循环次数N_s＝0，设置最大循环次数将M只蚂蚁至于起始服务上，初始化信息素初值τ_ij(0)，Δτ_ij(t)＝0；

(2)N_s←N_s+1；

(3)蚂蚁数目k←k+1；

(4)依据禁忌表更新规则更新禁忌表；

禁忌表在选定下一个具体服务s时更新，在更新时遵循以下3条规则：

规则一：s加入禁忌表。

规则二：与s同属于一个服务本体的其他具体服务加入禁忌表。

规则三：从s出发不存在一条可达的执行路径的具体服务加入禁忌表，从而消除死节点。

(5)依据状态转移规则选定下一个服务；

位于节点i的蚂蚁依据下列规则来选择节点j：

如果q≤Q₀，有

否则，有

其中 $q\⋐\left[\mathrm{0,1}\right]$ 之间的随机数， $Q_0\⋐\left[\mathrm{0,1}\right]$ 之间的常数，ρ_ij(t)为转移条件， ${\mathrm{\η}}_{\mathrm{ij}}=\frac{1}{d_{\mathrm{ij}}}$ 为启发函数，α为信息启发式因子，β为期望启发式因子，allowed＝{S-tabu}，S为组合服务中所包含的所有具体服务的集合，tabu为蚂蚁搜索过程所产生的禁忌表，n为allowed中包含的具体服务的数量。

(6)若有服务未搜索到，转至(4)，否则转至(7)；

(7)依据信息素局部更新规则更新信息素；

对数学模型中多个优化目标进行归一化处理，定义为有向图中两个节点之间的距离。

具有N个具体服务的组合服务模型中信息素的初始值τ_ij(0)定义为

${\mathrm{\τ}}_{\mathrm{ij}}\left(0\right)=\frac{1}{0.5*N*\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}/N^2}=\frac{2N}{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}}$

信息素采用如下的局部更新规则：

τ_ij(t+N)＝(1-R)*τ_ij(t)+R*τ_ij(0)

N为组合服务中具体服务的个数，M为蚂蚁的个数，R为信息挥发系数且 $R\⋐\left[\mathrm{0,1}\right).$

(8)若k≤M，清空禁忌表，转至(3)，否则转至(9)；

(9)依据信息素全局更新规则更新信息素；

在蚁群完成一次迭代时，信息素采用如下的全局更新规则：

τ_ij(t+N*M)＝(1-R)*τ_ij(t)+R*Δτ_ij(t)

其中 $\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)=\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}\mathrm{\Δ}{{\mathrm{\τ}}_{\mathrm{ij}}}^k\left(t\right)$

N为组合服务中具体服务的个数，M为蚂蚁的个数，R为信息挥发系数且 $R\⋐\left[\mathrm{0,1}\right),$ L_k表示第k只蚂蚁在本次迭代中所经过执行路径的总长度。

(10)若 $N_s\≤N_{s_{\max }},$ 转至(2)，否则结束。

本发明与现有技术相比，具有以下明显的优势和有益效果：

本发明可以很好地解决服务组合中动态的成员服务选择问题，具有较好的寻优效果。

本发明通过提供一种服务组合中基于阈值的动态成员服务选择方法，利用蚁群***对于基于阈值的动态成员服务进行选择，包括：代表成员服务和组合服务的信任程度、代表成员服务和组合服务执行一次所使用的响应时间、以及代表成员服务和组合服务执行一次的费用；利用蚁群***提出了基于阈值的动态成员服务选择方法，确保组合服务能够提供高质量服务的同时，又不会在执行过程中集中在少量成员服务上，具有较好的寻优效果。

附图说明：

图1：本发明***框图；

图2：本发明带有具体服务的组合服务例子

图3：本发明实施例结果图。

具体实施方式：

根据图1-图2配置本发明的实施例。本发明中计算机为奔腾2以上CPU，10G以上硬盘，具有一般计算能力的普通台式微机。

采用图2所示的组合服务作为实验对象(具体服务数量N＝200)，状态转移规则中信息启发式因子α＝1，期望启发式因子β＝2，信息素更新规则中信息挥发系数为R＝0.1，最大循环次数 $N_{s_{\max }}=10,$ Tr＝0.6，C＝300，Ti＝100，Q₀＝0.95。

在实验数据上，除具体服务{0，100，110，50，60，70，80，120，130，150，140，180}设置一组最优参数(即服务的信任度、费用和响应时间比随机生成的数据小一个数量级)，其余188个具体服务的信任度、费用和响应时间值均随机生成。也就是说，在图2中存在两条优化路径：0→120→130→150→140→180→70→80(路径1)和0→100→110→50→60→70→80(路径2)。

实施例的目的是在蚁群的一次执行中，通过设置不同的蚂蚁数量，观察对蚂蚁经过路径的分布情况，从而确定它们的执行效果。

各个具体服务提供服务的上限阈值设置如下：服务0、70、80的阈值为20；服务50、60、100、110、120、130、140、150、180的阈值为10；其他服务的阈值随机设置。

进行了6组实验，蚂蚁数量M分别为5、10、15、20、25、30.结果如图3所示。

从实施结果看，在蚂蚁数量M≤10的时候，还没有达到路径1中服务的阈值，所以所有的蚂蚁都经过路径1；在蚂蚁数量10＜M≤20的时候，路径1已经达到饱和数量10，但是其余的蚂蚁数量没有达到路径2中服务的阈值，所以所有的蚂蚁都经过路径1和路径2；在蚂蚁数量20＜M的时候，已经超过了路径1和路径2的饱和数量20，蚂蚁开始经过其他的路径，而路径1和路径2维持饱和数量不变。方法1在执行路径选择上完全按照服务提供的上限阈值进行，效果很好。

Claims (2)

1.一种服务组合中基于阈值的动态成员服务选择方法，利用蚁群***对于基于阈值的动态成员服务进行选择，其特征在于包括：利用成员服务和组合服务的信任程度、成员服务和组合服务执行一次所使用的响应时间、以及成员服务和组合服务执行一次的费用，利用蚁群***和提供服务的上限阈值，将上述服务质量要求归一化为蚁群***有向图中的节点之间的距离；

所述的信任程度对于成员服务，采用执行成功率计算；对于组合服务来说，信任度采用基于结构分析的方法计算；

所述的响应时间采用执行结束时间和执行开始时间的差值计算；对于组合服务，响应时间采用基于结构分析的方法计算；

所述的费用，对于成员服务，由服务提供者制定；对于组合服务，采用基于结构分析的方法计算；

1.1.模型建立；

组合服务中每一个具体服务都隶属于某一个服务本体；

组合服务在执行时状态转移发生在具体服务之间，但是具体服务之间的状态转移需要服从服务本体之间的执行约束；

信任感知的成员服务选择问题转换为在组合服务中寻找一条最优路径；

1.2.成员服务选择方法；

 对数学模型中多个优化目标进行归一化处理，定义为有向图中两个节点之间的距离；

具有N个具体服务的组合服务模型中信息素的初始值τ_ij(0)定义为

${\mathrm{\τ}}_{\mathrm{ij}}\left(0\right)=\frac{1}{0.5*N*\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}/N^2}=\frac{2N}{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}}$

d_ij为有向图中节点i与节点j之间的距离，tr_i为第i个成员服务的信任度指标值，c_i为第i个成员服务的费用指标值，ti_i为第i个成员服务的响应时间指标值，其中信任度为正效应参数，而费用和响应时间为负效应参数，并分别满足一定的约束，如f＞Tr，g＜C，

其中Tr，C，Ti分别为信任度、费用和响应时间的常数，N为组合服务中具体服务的个数，M为蚂蚁的个数，R为信息挥发系数且

1.2.1参数初始化：设循环次数N_s＝0，设置最大循环次数将M只蚂蚁至于起始服务上，初始化信息素初值τ_ij(0)，Δτ_ij(t)＝0；

1.2.2.N_s←N_s+1；

1.2.3 蚂蚁数目k←k+1；

1.2.4.依据禁忌表在选定下一个具体服务s时更新规则更新禁忌表；

禁忌表在选定下一个具体服务s时更新，在更新时遵循以下3条规则：

规则一：s加入禁忌表；

规则二：与s同属于一个服务本体的其他具体服务加入禁忌表；

规则三：从s出发不存在一条可达的执行路径的具体服务加入禁忌表，从而消除死节点；

依据状态转移规则选定下一个服务；

位于节点i的蚂蚁依据下列规则来选择节点j：

如果q≤Q₀，有

否则，有

其中

之间的随机数，

之间的常数，ρ_ij(t)为转移条件，为启发函数，α为信息启发式因子，β为期望启发式因子，allowed＝{S-tabu}，S为组合服务中所包含的所有具体服务的集合，tabu为蚂蚁搜索过程所产生的禁忌表，n为allowed中包含的具体服务的数量；

1.2.5.若有服务未搜索到，转至步骤1.2.4，否则转至步骤1.2.6；

1.2.6.依据信息素局部更新规则更新信息素；

信息素采用如下的局部更新规则：

τ_ij(t+N)＝(1-R)*τ_ij(t)+R*τ_ij(0)

d_ij为有向图中节点i与节点j之间的距离，tr_i为第i个成员服务的信任度指标值，c_i为第i个成员服务的费用指标值，ti_i为第i个成员服务的响应时间指标值，其中信任度为正效应参数，而费用和响应时间为负效应参数，并分别满足一定的约束，如f＞Tr，g＜C，

其中Tr，C，Ti分别为信任度、费用和响应时间的常数，N为组合服务中具体服务的个数，M为蚂蚁的个数，R为信息挥发系数且

1.2.7.若k≤M，清空禁忌表，转至1.2.3，否则转至1.2.8；

1.2.8.依据信息素全局更新规则更新信息素；

在蚁群完成一次迭代时，信息素采用如下的全局更新规则：

τ_ij(t+N*M)＝(1-R)*τ_ij(t)+R*Δτ_ij(t)

其中 $\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)=\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{{\mathrm{\Δ\τ}}_{\mathrm{ij}}}^k\left(t\right)$

N为组合服务中具体服务的个数，M为蚂蚁的个数，R为信息挥发系数且

L_k表示第k只蚂蚁在本次迭代中所经过执行路径的总长度；

1.2.9.若转至步骤1.2.2，否则结束；

2.根据权利要求1所述的一种服务组合中基于阈值的动态成员服务选择方法，其特征在于基于提供服务的上限阈值的状态转移规则；

位于节点i的蚂蚁依据下列规则来选择节点j：

如果q≤Q₀，有

否则，有

其中

之间的随机数，

之间的常数，ρ_ij(t)为转移条件，

为启发函数，α为信息启发式因子，β为期望启发式因子，allowed＝{S-tabu}，S为组合服务中所包含的所有具体服务的集合，tabu为蚂蚁搜索过程所产生的禁忌表，n为allowed中包含的具体服务的数量。

Images